█ 腦科學動態(tài)

意識研究的盲區(qū)：為何我們只能意識到信息而非過程？

跨文化研究顯示人們結(jié)合多種參照框架進行定位

時間帶走了記憶數(shù)量，卻保留了記憶理由的質(zhì)量

高中生參與研發(fā)“電子鼠腦”：精確模擬創(chuàng)傷性腦損傷的物理沖擊

特定記憶訓練可減輕壓力

基于神經(jīng)元活動的腦圖譜挑戰(zhàn)前額葉皮層解剖學定義

大語言模型意識的證偽：持續(xù)學習是意識的必要條件

█ AI行業(yè)動態(tài)

燒壞電腦終獲正果：數(shù)學家發(fā)現(xiàn)“緊致Bonnet對”推翻百年直覺

麥肯錫重磅報告：人機協(xié)作將重塑未來工作流與技能格局

AI內(nèi)部構(gòu)建“思維社會”：DeepSeek-R1與o系列模型推理機制

█ AI驅(qū)動科學

Science：細胞“時間膠囊”：首次實現(xiàn)哺乳動物細胞轉(zhuǎn)錄組歷史記錄

大模型聊天機器人顯著提升初級到?？谱o理的過渡效率

新型模擬內(nèi)存計算芯片突破能效瓶頸，加速高性能計算

人工智能在《龍與地下城》中接受長期決策能力測試

機器學習賦予假肢“視覺”：自動調(diào)控抓握力度讓生活更自如

MAPLE框架：精準預測表觀遺傳年齡與疾病風險

KnowMe-Bench：面向終身數(shù)字伴侶的個體理解基準測試

MemoBrain：賦予智能體“執(zhí)行記憶”以突破長程推理瓶頸

腦科學動態(tài)

意識研究的盲區(qū)：為何我們只能意識到信息而非過程？

在意識科學領(lǐng)域，理論的激增往往伴隨著概念的混淆。Peter A. White 對當前的意識研究提出了根本性的理論挑戰(zhàn)，旨在厘清“什么可以被意識到”這一核心問題。該研究并未進行新的生物學實驗，而是通過嚴密的邏輯推導和對既有神經(jīng)科學證據(jù)的重新審視，指出了當前主流意識理論中存在的邏輯漏洞，并強調(diào)了區(qū)分“信息內(nèi)容”與“意識狀態(tài)”的重要性。

這項研究將大腦嚴格視為一個信息處理系統(tǒng)，提出了三個顛覆性的命題。首先，White 指出必須將“信息本身”與“信息被意識到”的事實區(qū)分開來。例如，感知到的“紅色”是一種神經(jīng)信息編碼，這與“意識到紅色”的體驗是截然不同的，而許多理論錯誤地將信息的功能后果歸因于意識。其次，研究通過分析自愿行為論證了“過程不可知論”：雖然大腦中的信息（如感官輸入或思維內(nèi)容）可以是意識到的，但處理這些信息的過程——例如生成言語報告的復雜運動控制機制——永遠無法被意識到。我們感覺到的“行動意愿”實際上只是運動指令的副本，而非動作啟動的真實過程。最后，文章批判了“接入意識”（access consciousness）這一概念，認為它本質(zhì)上只是信息在大腦中的“接入”或分布。如果剝離“意識”這個標簽，全局工作空間等模型描述的信息處理功能依然成立。研究總結(jié)認為，目前的科學尚未提出任何能夠真正解釋意識體驗如何產(chǎn)生的“生成機制”。研究發(fā)表在 Consciousness and Cognition 上。

#意識與腦機接口 #神經(jīng)機制與腦功能解析 #意識體驗 #接入意識 #信息處理

閱讀更多：

White, Peter A. “Three Propositions about Conscious Experience and Their Implications for Theories of Consciousness.” Consciousness and Cognition, vol. 139, Mar. 2026, p. 103994. ScienceDirect, https://doi.org/10.1016/j.concog.2026.103994

跨文化研究顯示人們結(jié)合多種參照框架進行定位

在陌生的環(huán)境中，我們的大腦是如何構(gòu)建地圖的？Benjamin Pitt（圖盧茲高等研究院）及其團隊通過對美國人和玻利維亞土著居民的對比研究發(fā)現(xiàn)，人類并非依賴單一的空間參照系，而是能夠同時結(jié)合基于身體和基于環(huán)境的線索來定位物體。這項研究揭示了人類空間認知的一種普遍機制：為了克服左右分辨的困難并利用前后分辨的直觀性，大腦會構(gòu)建復合的認知地圖。

? 4Quads 任務(wù)。Credit: Psychological Science (2025).

為了解開這一認知謎題，研究團隊設(shè)計了一項名為“4Quads”的空間記憶任務(wù)。實驗邀請了生活在亞馬遜流域的奇馬內(nèi)人（Tsimane'）和美國成年人參與。參與者需要記住物體在桌子上的位置，旋轉(zhuǎn)180度后在另一張相同的桌子上復原該位置。通過分析物體在橫向和縱向上的放置偏差，研究人員可以判斷參與者使用的是自我中心參照系（egocentric reference frames，以自身身體為坐標，如左/右）還是環(huán)境中心參照系（allocentric reference frames，以環(huán)境特征為坐標，如窗戶旁）。結(jié)果顯示，兩個文化群體均表現(xiàn)出相同的混合策略：在判斷“前后”位置時，人們傾向于使用身體參照；而在判斷較難區(qū)分的“左右”位置時，則依賴環(huán)境參照。這種在單一動作中融合兩種參照系的能力，表明人類的空間記憶比以往認為的更為靈活和復雜。研究發(fā)表在 Psychological Science 上。

#認知科學 #記憶機制 #空間導航 #跨文化研究 #心理學

閱讀更多：

Pitt, Benjamin. “One Action, Two Reference Frames: Compound Cognitive Maps of Object Location.” Psychological Science, vol. 36, no. 11, Nov. 2025, pp. 862–73. SAGE Journals, https://doi.org/10.1177/09567976251391172

時間帶走了記憶數(shù)量，卻保留了記憶理由的質(zhì)量

隨著時間的流逝，我們的記憶往往會變得模糊，但我們?yōu)檫@些記憶辯護的理由是否也會隨之褪色？Avi Gamoran、Zohar Raz Groman、Michael Gilead 和 Talya Sadeh（內(nèi)蓋夫本-古里安大學）組成的研究團隊，通過對記憶合理化（memory justifications）的深入分析，發(fā)現(xiàn)了一個令人驚訝的現(xiàn)象：即便是記憶本身變得難以提取，支持記憶真實性的解釋依然保持高度穩(wěn)定。這一發(fā)現(xiàn)對于理解人類記憶的本質(zhì)以及在法律證詞中如何評估可信度具有重要意義。

該研究招募了421名年輕參與者，要求他們在觀看特定內(nèi)容后，分別在短時間（90秒）和長時間（24小時）的延遲后進行回憶，并書面解釋為何他們認為這些記憶是真實的。研究人員收集了超過4000條理由，并利用行為學及語言學分析對這些文本的細節(jié)、結(jié)構(gòu)和詞匯進行了量化評估。結(jié)果顯示，雖然24小時后參與者能回憶起的事件數(shù)量顯著減少，但對于那些成功提取的記憶，其伴隨的解釋在豐富度和細節(jié)上與短時間延遲后的表現(xiàn)幾乎完全一致。這支持了遺忘的“全有或全無模型”（all-or-nothing model）：記憶要么連同其完整的背景理由一起被提取，要么完全消失。此外，研究還發(fā)現(xiàn)，分析這些理由的內(nèi)容比單純依賴參與者的主觀自信更能準確預測記憶的真實性。這一發(fā)現(xiàn)提示，在法庭等需要評估證詞可信度的場合，鼓勵證人提供書面理由可能比詢問其自信程度更為可靠。研究發(fā)表在 Communications Psychology 上。

#認知科學 #記憶機制 #遺忘模型 #司法心理學 #語言分析

閱讀更多：

Gamoran, Avi, et al. “Memory Justifications Provide Valid Indicators of Retrieval Accuracy across Time.” Communications Psychology, vol. 4, no. 1, Dec. 2025, p. 10. www.nature.com, https://doi.org/10.1038/s44271-025-00378-4

高中生參與研發(fā)“電子鼠腦”：精確模擬創(chuàng)傷性腦損傷的物理沖擊

為了探究外部沖擊力如何導致創(chuàng)傷性腦損傷，Sanaya Bothra、Wesley Lohr和Ravi Hadimani等人（弗吉尼亞聯(lián)邦大學）開發(fā)了一種內(nèi)置傳感器的高度逼真大鼠腦模型。值得注意的是，該研究的第一作者Sanaya Bothra是一名高中生。該團隊成功構(gòu)建了這一物理模型，旨在替代活體動物實驗，精確量化車禍或爆炸等對腦組織造成的物理壓力和應(yīng)變。

? 每個水凝膠大鼠腦（如圖所示，由 Hadimani 和 Lohr 進行沖擊測試）都被 3D 打印的塑料頭骨和模擬皮膚和肌肉的硅膠包裹著。Credit: Dean Hoffmeyer, Enterprise Marketing and Communications

研究團隊利用核磁共振成像數(shù)據(jù)和3D打印技術(shù)，使用一種特殊的復合水凝膠來重建大鼠大腦。這種材料經(jīng)過特定的凍融處理，能夠完美復刻真實腦組織的粘彈性（Viscoelasticity，即同時具有液體粘性和固體彈性的物理屬性）。為了捕捉?jīng)_擊數(shù)據(jù)，研究人員在模型內(nèi)部嵌入了聚偏二氟乙烯薄膜，這是一種壓電材料，能將機械撞擊瞬間轉(zhuǎn)化為電信號。實驗結(jié)果顯示，該模型不僅在物理觸感上極度接近真實大腦，其輸出的電壓信號還能呈線性地反映沖擊力度的大小。目前，該實驗室正計劃將這種裝有加速度計的腦模型放入火箭中發(fā)射，以測試極限重力加速度對大腦的影響。這項研究發(fā)表在 TechRxiv 上。

#疾病與健康 #跨學科整合 #創(chuàng)傷性腦損傷 #生物工程 #壓電傳感

閱讀更多：

Bothra, Sanaya, et al. Measuring Traumatic Brain Injury Impacts in an Anatomically Accurate Rat Brain Phantom with Embedded Piezoelectric Sensing. www.techrxiv.org, https://www.authorea.com/users/689431/articles/1350470-measuring-traumatic-brain-injury-impacts-in-an-anatomically-accurate-rat-brain-phantom-with-embedded-piezoelectric-sensing?commit=9c5828f59284fab688519518c86103615dd238f7. Accessed 21 Jan. 2026

特定記憶訓練可減輕壓力

我們的思維往往傾向于糾結(jié)負面經(jīng)歷，這可能導致焦慮和抑郁的惡性循環(huán)。Yuko Hakamata（富山大學）、Hirokuni Tagaya（北里大學）和Hiroaki Hori（日本國立精神衛(wèi)生研究所）等人組成的團隊深入研究了一種名為“認知偏差記憶矯正”（CBM-M）的心理訓練方法。研究結(jié)果表明，該方法不僅能改善情緒，還能通過特定的神經(jīng)生物學途徑顯著減輕生理和心理壓力。

? 與假訓練相比，CBM-M 顯著降低了皮質(zhì)醇水平和壓力易感性，且其降低幅度與負性記憶偏差的減少呈正相關(guān)。腦部掃描顯示，CBM-M 還增強了杏仁核與前內(nèi)側(cè)眶額皮質(zhì)之間的連接，提示其益處可能存在神經(jīng)機制。Credit: Psychological Medicine (2025).

該研究招募了58名具有高焦慮和抑郁特質(zhì)的參與者，進行為期一個月的隨機對照試驗。實驗組接受CBM-M訓練，即在看到積極詞匯時主動聯(lián)想并生動回憶個人的積極經(jīng)歷（如感到自信的時刻），而對照組僅進行簡單的詞匯記憶。結(jié)果顯示，雖然兩組參與者的情緒均有所改善，但只有CBM-M組表現(xiàn)出特定的生物學獲益：其日間皮質(zhì)醇水平顯著降低，負面記憶偏差也明顯減少。通過功能性磁共振成像（fMRI）分析，研究團隊發(fā)現(xiàn)CBM-M增強了杏仁核與前內(nèi)側(cè)眶額皮質(zhì)之間的功能連接。這表明，該訓練可能通過強化支持提取積極、有意義記憶的神經(jīng)通路來發(fā)揮作用。此外，研究還發(fā)現(xiàn)該訓練對以焦慮為主導特征的人群在保持積極記憶特異性方面效果更佳。研究發(fā)表在 Psychological Medicine 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)機制與腦功能解析 #記憶機制 #認知偏差記憶矯正

閱讀更多：

Hakamata, Yuko, et al. “The Effectiveness and Neurobiological Actions of Memory Bias Modification: A Randomized Controlled Trial.” Psychological Medicine, vol. 55, Jan. 2025, p. e386. Cambridge University Press, https://doi.org/10.1017/S0033291725102535

基于神經(jīng)元活動的腦圖譜挑戰(zhàn)前額葉皮層解剖學定義

傳統(tǒng)的解剖學腦圖譜是否真的能代表大腦的功能分區(qū)？針對這一困擾神經(jīng)科學界百年的問題，Pierre Le Merre和Marie Carlén等（卡羅林斯卡學院）的研究團隊通過大規(guī)模記錄小鼠神經(jīng)元活動給出了否定的答案。他們構(gòu)建了首個基于單神經(jīng)元活動的前額葉皮層圖譜，發(fā)現(xiàn)大腦的運作方式與基于顯微鏡下組織結(jié)構(gòu)的傳統(tǒng)劃分并不一致，這為理解大腦的組織原則提供了全新的視角。

? 小鼠腦內(nèi)自發(fā)性單細胞放電模式的特征分析。Credit: Nature Neuroscience (2026).

該研究利用高密度探針記錄了清醒小鼠體內(nèi)超過24,000個神經(jīng)元的活動，重點關(guān)注負責計劃和決策等高級認知功能的前額葉皮層。研究人員分析發(fā)現(xiàn)，神經(jīng)元的活動模式并不遵循傳統(tǒng)的細胞構(gòu)筑（Cytoarchitecture）邊界，而是反映了信息流的層級結(jié)構(gòu)。處于層級頂端的前額葉皮層神經(jīng)元表現(xiàn)出緩慢且規(guī)律的放電特征，這種模式被認為有助于信息的整合。有趣的是，參與具體決策任務(wù)的神經(jīng)元則表現(xiàn)出截然不同的快速活動模式，并集中在層級較高的區(qū)域。這表明，認知功能的實現(xiàn)依賴于不同類型神經(jīng)元的局部協(xié)作：一部分負責整合信息流，另一部分則通過高自發(fā)活動支持信息的快速靈活編碼。這一發(fā)現(xiàn)挑戰(zhàn)了僅憑解剖結(jié)構(gòu)定義腦區(qū)的傳統(tǒng)方法，為解析精神疾病背后的功能異常提供了新的理論框架。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #認知科學 #前額葉皮層 #腦圖譜

閱讀更多：

Le Merre, Pierre, et al. “A Prefrontal Cortex Map Based on Single-Neuron Activity.” Nature Neuroscience, Jan. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41593-025-02190-z

大語言模型意識的證偽：持續(xù)學習是意識的必要條件

ChatGPT等人工智能是否擁有意識？這一問題不僅關(guān)乎技術(shù)倫理，更挑戰(zhàn)著科學定義的邊界。來自Bicameral Labs的Erik Hoel通過引入嚴格的數(shù)學與邏輯形式化工具，對當前大型語言模型的意識狀態(tài)提出了否定性證明。該研究并未依賴某種特定的意識理論，而是通過分析科學理論本身必須具備的“可證偽性”與“非平凡性”，揭示了當前靜態(tài)AI模型在意識層面存在的根本性邏輯漏洞，并指出“持續(xù)學習”可能是人類擁有意識而現(xiàn)有AI缺乏的關(guān)鍵要素。

研究采用了被稱為“Kleiner-Hoel困境”的形式化分析框架。Erik Hoel提出，任何部署后的LLM本質(zhì)上都是靜態(tài)系統(tǒng)，其功能可以通過通用近似定理被“展開”為前饋神經(jīng)網(wǎng)絡(luò)，甚至簡化為巨大的查找表。通過構(gòu)建這種“替代鏈”，研究指出：如果一個理論認為LLM有意識，它必須解釋為何功能完全相同的查找表沒有意識；如果它對兩者做出不同預測，則該理論會被“替代論證”直接證偽；如果它認為兩者都有意識，則該理論因嚴格依賴輸入/輸出而變得“平凡”（即無科學價值）。這種邏輯推演構(gòu)成了對LLM意識的“鄰近性證偽”。作為對比，研究發(fā)現(xiàn)人類大腦的“持續(xù)學習”機制——即每一刻的體驗都伴隨著神經(jīng)可塑性的物理變化——使人類意識理論能夠逃逸出這一邏輯困境。這表明，目前LLM依靠外部上下文窗口而非內(nèi)部參數(shù)改變的學習方式，是其缺乏意識的根本原因。

#意識與腦機接口 #計算模型與人工智能模擬 #大模型技術(shù) #神經(jīng)機制與腦功能解析 #認知科學

閱讀更多：

Hoel, Erik. “A Disproof of Large Language Model Consciousness: The Necessity of Continual Learning for Consciousness.” arXiv:2512.12802, arXiv, 19 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2512.12802

AI 行業(yè)動態(tài)

燒壞電腦終獲正果：數(shù)學家發(fā)現(xiàn)“緊致Bonnet對”推翻百年直覺

柏林工業(yè)大學的 Alexander Bobenko、慕尼黑工業(yè)大學的 Tim Hoffmann 以及北卡羅來納州立大學的 Andrew Sageman-Furnas 組成的團隊，近日解決了一個困擾數(shù)學界長達 150 年的幾何拓撲難題。1867 年，法國數(shù)學家 Pierre Ossian Bonnet 證明，如果已知曲面上每一點的度量（Metric，兩點間距離的測量方式）和平均曲率（Mean Curvature，曲面在某點彎曲程度的平均值），通常足以確定該曲面的形狀。然而，是否存在例外一直是未解之謎。長期以來，研究人員只發(fā)現(xiàn)了“非緊致”曲面（無限延伸或有邊緣的曲面）的例外，而對于像球體或甜甜圈這樣封閉的“緊致曲面”，學界普遍認為其形狀由局部信息唯一確定。但這三位研究人員打破了這一共識，成功構(gòu)建了一對具有相同局部測量數(shù)據(jù)但全局結(jié)構(gòu)完全不同的封閉曲面，即“緊致 Bonnet 對”。

這一突破的關(guān)鍵在于研究人員轉(zhuǎn)向了離散幾何領(lǐng)域。團隊利用計算機算力探索“離散曲面”（Discrete Surface，由多邊形拼接成的類似像素化的曲面模型），通過暴力求解發(fā)現(xiàn)了一個被稱為“犀?！钡奶厥猸h(huán)面結(jié)構(gòu)。這一發(fā)現(xiàn)為尋找光滑曲面的反例提供了至關(guān)重要的線索，特別是關(guān)于曲率線分布的幾何約束。結(jié)合一百多年前數(shù)學家 Jean Gaston Darboux 的公式，他們最終構(gòu)造出了一對自身相交的扭曲環(huán)面。這兩個環(huán)面雖然在局部指標上完全一致，卻擁有截然不同的整體形態(tài)。這項研究不僅糾正了數(shù)學家的直覺，更展示了離散幾何理論與計算機輔助探索在解決經(jīng)典數(shù)學難題中的巨大潛力，證明了離散模型并非僅僅是光滑形狀的簡化，而是擁有獨立的數(shù)學價值。

#幾何拓撲 #緊致Bonnet對 #離散曲面 #數(shù)學猜想 #計算機輔助證明

閱讀更多：

https://www.quantamagazine.org/two-twisty-shapes-resolve-a-centuries-old-topology-puzzle-20260120/

麥肯錫重磅報告：人機協(xié)作將重塑未來工作流與技能格局

麥肯錫全球研究院發(fā)布的最新報告指出，未來的工作模式將演變?yōu)槿祟?、智能代理與機器人之間的深度協(xié)作伙伴關(guān)系。研究人員分析發(fā)現(xiàn)，雖然現(xiàn)有技術(shù)在理論上可以自動化美國約 57% 的工作時間，但這并不意味著大規(guī)模的失業(yè)，而是預示著工作角色的根本性轉(zhuǎn)變。隨著 AI 處理更多常規(guī)任務(wù)，人類將更多地轉(zhuǎn)向需要判斷力、社交情感和復雜推理的工作。報告特別強調(diào)了“AI流利度”（AI Fluency，使用和管理人工智能工具的能力）的重要性，其需求在過去兩年中增長了七倍，成為職場中增長最快的技能需求。為了量化這種影響，研究人員開發(fā)了“技能變化指數(shù)”（Skill Change Index，衡量技能受自動化影響程度的指標），結(jié)果顯示數(shù)字和信息處理類技能將面臨最大的變革壓力，而涉及人際互動、護理和領(lǐng)導力的技能則相對穩(wěn)定且不可替代。

報告進一步預測，如果企業(yè)能夠圍繞人機協(xié)作重新設(shè)計工作流，而非僅僅著眼于單一任務(wù)的自動化，到 2030 年，AI 驅(qū)動的自動化每年可為美國經(jīng)濟釋放約 2.9 萬億美元的價值。研究人員通過分析銷售、客戶服務(wù)和 IT 現(xiàn)代化等領(lǐng)域的案例發(fā)現(xiàn)，成功的關(guān)鍵在于將員工從執(zhí)行者轉(zhuǎn)變?yōu)橹笓]者，讓人類負責監(jiān)督、驗證和處理例外情況，而由智能代理和機器人處理繁重的分析與物理任務(wù)。這對企業(yè)領(lǐng)導者提出了新的挑戰(zhàn)：他們不僅需要將 AI 視為核心業(yè)務(wù)轉(zhuǎn)型的一部分，還必須建立持續(xù)學習的文化，幫助員工掌握與智能機器共事的新技能。最終，企業(yè)和機構(gòu)需要共同努力，通過教育和培訓體系的革新，確保勞動力能夠適應(yīng)這一以協(xié)作和重塑為核心的 AI 新時代。

#麥肯錫 #人機協(xié)作 #AI流利度 #工作流重塑 #未來職場

閱讀更多：

https://www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai

AI內(nèi)部構(gòu)建“思維社會”：DeepSeek-R1與o系列模型推理機制大揭秘

來自Google、芝加哥大學和圣塔菲研究所的研究人員近日發(fā)表論文，揭示了DeepSeek-R1、QwQ-32B及OpenAI o系列等前沿推理模型的核心運作機制。研究發(fā)現(xiàn)，這些模型在處理復雜認知任務(wù)時的卓越表現(xiàn)，并非僅僅源于延長的測試時計算，而是通過隱式模擬一個復雜的“思維社會”。研究人員指出，模型內(nèi)部會生成具有不同性格特征和領(lǐng)域?qū)ｉL的虛擬角色，通過模擬類似多智能體的對話、辯論以及視角轉(zhuǎn)換來處理信息。這種內(nèi)部的“左右互搏”與人類群體的集體智慧驚人相似，通過多樣化視角的碰撞與調(diào)和來驗證假設(shè)、糾正錯誤，從而實現(xiàn)了遠超單一視角的推理準確性。

通過應(yīng)用機械可解釋性方法，研究人員證實DeepSeek-R1等模型在推理痕跡中展現(xiàn)出的視角多樣性顯著高于普通指令微調(diào)模型。更有趣的是，在受控的強化學習實驗中，研究人員觀察到，即便只針對推理結(jié)果的準確性進行獎勵，基礎(chǔ)模型也會自發(fā)地進化出自我提問等對話行為。實驗數(shù)據(jù)表明，相比于傳統(tǒng)的獨白式推理訓練，這種利用對話式支架微調(diào)的模型能更大幅度地加速推理能力的提升。這一發(fā)現(xiàn)意味著，AI正在建立一種與人類協(xié)作類似的計算平行機制，通過有效組織內(nèi)部的“群體智慧”來攻克復雜難題，也為未來人工智能代理的組織形式提供了全新的理論依據(jù)。

#思維社會 #AI推理模型 #DeepSeek-R1 #群體智慧 #強化學習

閱讀更多：

https://www.alphaxiv.org/abs/2601.10825

AI 驅(qū)動科學

Science：細胞“時間膠囊”：首次實現(xiàn)哺乳動物細胞轉(zhuǎn)錄組歷史記錄

細胞如何根據(jù)過去的經(jīng)歷決定未來的命運？哈佛大學和麻省理工學院（MIT）的Fei Chen團隊開發(fā)了一種名為TimeVault的細胞“時間膠囊”。該技術(shù)能夠收集并存儲細胞過去的分子活動記憶，首次在哺乳動物細胞中實現(xiàn)了轉(zhuǎn)錄組狀態(tài)的無偏見長期記錄，為揭開抗癌藥物耐藥性等生物學謎題提供了新工具。

研究團隊利用細胞內(nèi)天然存在但功能未知的桶狀細胞器——穹頂（vaults），將其改造為能捕獲信使核糖核酸（mRNA）的存儲單元。通過重新設(shè)計vault蛋白，使其能識別并連接mRNA分子，研究人員可以通過藥物處理像按下“錄音鍵”一樣啟動記錄。實驗顯示，TimeVault能在24小時內(nèi)捕獲人類細胞系產(chǎn)生的mRNA，并將其保存至少一周，且不影響細胞的正常功能。為了驗證其實用性，團隊利用該工具研究了對奧希替尼產(chǎn)生耐藥性的PC9肺癌細胞。通過分析TimeVault記錄的歷史數(shù)據(jù)，他們發(fā)現(xiàn)了數(shù)百個在藥物治療前就已過度活躍的基因，這些基因助長了癌細胞的存活。抑制這些基因顯著提高了藥物對癌細胞的殺傷力。研究發(fā)表在 Science 上。

#疾病與健康 #個性化醫(yī)療 #細胞生物學 #轉(zhuǎn)錄組學 #癌癥耐藥性

閱讀更多：

Callaway, Ewen. “A ‘Time Capsule’ for Cells Stores the Secret Experiences of Their Past.” Nature, Jan. 2026. www.nature.com, https://doi.org/10.1038/d41586-026-00116-8

大模型聊天機器人顯著提升初級到?？谱o理的過渡效率

全球醫(yī)療系統(tǒng)正面臨人口老齡化和醫(yī)療資源分布不均的嚴峻挑戰(zhàn)，特別是在中國，患者常因初級護理體系不完善而直接涌向三甲醫(yī)院，導致?？漆t(yī)生不堪重負。針對這一痛點，中國醫(yī)學科學院北京協(xié)和醫(yī)學院的韓莎莎（Shasha Han）研究員與桂林醫(yī)科大學第一附屬醫(yī)院的馬禮兵（Libing Ma）教授團隊合作，開發(fā)了一款名為PreA的大語言模型聊天機器人。該研究并未止步于理論模型，而是通過大規(guī)模隨機對照試驗，證實了該AI工具能夠顯著緩解臨床壓力，優(yōu)化患者就醫(yī)流程。

研究團隊基于GPT-4o mini開發(fā)了PreA系統(tǒng)，并采用了獨特的“共同設(shè)計”策略，即邀請患者、醫(yī)生、護士及社區(qū)工作者共同參與開發(fā)，以確保工具貼合真實需求并減少系統(tǒng)性偏見。在涉及2069名患者的臨床試驗中，研究人員發(fā)現(xiàn)，與常規(guī)就診相比，在就診前獨立使用PreA進行病史采集和初步評估的患者，其面對面咨詢醫(yī)生的時間平均縮短了28.7%，這意味著醫(yī)生能更高效地掌握病情。同時，專科醫(yī)生認為PreA生成的轉(zhuǎn)診報告極大地提升了護理協(xié)調(diào)性（care coordination，指不同醫(yī)療服務(wù)提供者之間組織患者護理活動的機制），評分激增113.1%。此外，患者也報告與醫(yī)生的溝通變得更加順暢。這項研究有力證明了經(jīng)過精心設(shè)計的AI工具不僅能提升醫(yī)療效率，還能增強醫(yī)療服務(wù)的溫度和可及性。研究發(fā)表在 Nature Medicine 上。

#疾病與健康 #大模型技術(shù) #個性化醫(yī)療 #跨學科整合

閱讀更多：

Tao, Xinge, et al. “An LLM Chatbot to Facilitate Primary-to-Specialist Care Transitions: A Randomized Controlled Trial.” Nature Medicine, Jan. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41591-025-04176-7

新型模擬內(nèi)存計算芯片突破能效瓶頸，加速高性能計算

傳統(tǒng)計算機在處理海量數(shù)據(jù)時，因數(shù)據(jù)在內(nèi)存與處理器間頻繁搬運而面臨嚴重的能耗與速度瓶頸。米蘭理工大學的Daniele Ielmini和Piergiulio Mannocci團隊，聯(lián)合北京大學的研究人員，開發(fā)出一種革命性的全集成模擬內(nèi)存計算芯片。該研究通過“存內(nèi)計算”架構(gòu)，成功消除了內(nèi)部數(shù)據(jù)傳輸流量，證明了模擬計算在工業(yè)規(guī)模應(yīng)用的可行性，為人工智能和下一代通信技術(shù)提供了高效的硬件解決方案。

? 芯片載體上集成芯片的特寫照片。Credit: Politecnico di Milano

該研究的核心在于一款基于90納米CMOS工藝制造的新型芯片。研究團隊在芯片中集成了兩個64×64的SRAM（靜態(tài)隨機存取存儲器）陣列，并結(jié)合了電阻器和片上運算放大器，構(gòu)建了一個模擬閉環(huán)系統(tǒng)。這種設(shè)計使得復雜的數(shù)學運算（如求解線性和非線性方程組）可以直接在存儲器內(nèi)部完成，無需外部處理器介入。在測試中，該芯片被應(yīng)用于探空火箭軌跡跟蹤（使用卡爾曼濾波器）和機械臂逆運動學加速等復雜任務(wù)。結(jié)果顯示，該芯片不僅在精度上媲美傳統(tǒng)數(shù)字系統(tǒng)，更在大幅降低功耗和計算延遲的同時，減小了硅片占用面積。這一突破性成果不僅適用于機器人和數(shù)據(jù)中心，也為未來的6G通信技術(shù)奠定了硬件基礎(chǔ)。研究發(fā)表在 Nature Electronics 上。

#其他 #計算模型與人工智能模擬 #高性能計算 #存內(nèi)計算 #微電子

閱讀更多：

Mannocci, Piergiulio, et al. “A Fully Integrated Analogue Closed-Loop in-Memory Computing Accelerator Based on Static Random-Access Memory.” Nature Electronics, Jan. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41928-025-01549-1

人工智能在《龍與地下城》中接受長期決策能力測試

如何評估人工智能在復雜環(huán)境中的長期規(guī)劃與協(xié)作能力？Raj Ammanabrolu及其團隊（加州大學圣地亞哥分校）提出了一項獨特的解決方案：讓AI玩《龍與地下城》。研究人員指出，缺乏針對長期任務(wù)的基準測試是評估大型語言模型的一大挑戰(zhàn)。通過模擬這款規(guī)則復雜、強調(diào)團隊合作的桌面角色扮演游戲，團隊成功創(chuàng)建了一個理想的測試環(huán)境，用于考察AI代理在長時間內(nèi)的獨立運行表現(xiàn)及多步規(guī)劃能力。

為了確保評估的準確性，研究團隊將三個主流大型語言模型與一個基于《龍與地下城》規(guī)則的游戲引擎相結(jié)合。該引擎作為“護欄”，為玩家提供地圖和資源，最大程度地減少模型產(chǎn)生幻覺的風險。在測試中，AI不僅扮演規(guī)劃劇情的“地下城主”，還充當玩家和怪物，在27個經(jīng)典戰(zhàn)斗場景中彼此對戰(zhàn)，并與2000多名人類玩家互動。結(jié)果顯示，Claude 3.5 Haiku在可靠性與表現(xiàn)上拔得頭籌，GPT-4緊隨其后，而DeepSeek-V3表現(xiàn)墊底。有趣的是，模型在游戲中展現(xiàn)了意想不到的個性：地精學會了嘲諷，圣騎士會在戰(zhàn)火中發(fā)表英雄演說。這表明模型試圖在遵守規(guī)則和策略規(guī)劃的同時，通過“角色扮演”為游戲增添質(zhì)感。研究發(fā)表在 NeurIPS 2025 上。

#大模型技術(shù) #意圖與決策 #多智能體協(xié)作 #基準測試 #龍與地下城

閱讀更多：

“Setting the DC: Tool-Grounded D\&D Simulations to Test LLM Agents.” 2025, The Fourteenth International Conference on Learning Representations. openreview.net, https://openreview.net/forum?id=rmEBSdk26P

機器學習賦予假肢“視覺”：自動調(diào)控抓握力度讓生活更自如

對于截肢患者而言，使用假肢手完成拿雞蛋或開水瓶等日常任務(wù)是一項巨大的挑戰(zhàn)：用力過猛會捏碎雞蛋，用力不足則無法握緊水瓶。桂林電子科技大學的Hua Li及其團隊開發(fā)了一種結(jié)合機器視覺的新型假肢控制系統(tǒng)，旨在通過自動識別物體并調(diào)整抓力，幫助患者實現(xiàn)真正自然和直觀的交互。

? 假肢手的指尖裝有壓力傳感器，手掌附近裝有攝像頭（左圖）。該假肢手分別用易拉罐、雞蛋和 U 盤進行了測試（右圖）。Credit: Li et al.

該研究團隊創(chuàng)新性地將前臂肌電圖傳感器與安裝在假肢手掌的一體化攝像頭相結(jié)合。肌電信號負責傳達用戶“想要抓握”的意圖，而視覺系統(tǒng)則通過深度學習算法YOLOv2（You Only Look Once version 2）來回答“需要多大力度”的問題。該系統(tǒng)被部署在K210嵌入式主控板上，通過分析物體的類型、紋理和大小，實時決定最佳抓握閾值。實驗結(jié)果顯示，該系統(tǒng)對物體的識別準確率達到90%，真機測試識別率超過85%，成功實現(xiàn)了對易碎雞蛋和堅硬水瓶的自適應(yīng)抓握。這一設(shè)計讓用戶無需刻意計算力度，只需像擁有肌肉記憶一樣自然地完成動作。研究團隊目前正計劃集成觸覺反饋，以進一步建立用戶與假肢之間的雙向通信。研究發(fā)表在 Nanotechnology and Precision Engineering 上。

#疾病與健康 #機器人及其進展 #AI 驅(qū)動科學 #跨學科整合 #知覺康復

閱讀更多：

Li, Yao, et al. “An Intelligent Artificial Hand with Force Control Based on Machine Vision.” Nanotechnology and Precision Engineering, vol. 9, no. 1, Jan. 2026, p. 013009. Silverchair, https://doi.org/10.1063/5.0253551

MAPLE框架：精準預測表觀遺傳年齡與疾病風險

如何精準量化生物學年齡并克服不同測序平臺帶來的技術(shù)誤差？Yu Zhang, Yichen Yao, Yuan Qi, Li Jin等（復旦大學、上海科學智能研究院等）開發(fā)了一種名為MAPLE的新型計算框架。該研究利用成對學習技術(shù)，成功消除了數(shù)據(jù)中的批次效應(yīng)，實現(xiàn)了對表觀遺傳年齡和衰老相關(guān)疾病風險的高精度預測，為個性化抗衰老干預提供了強有力的工具。

研究團隊針對傳統(tǒng)表觀遺傳時鐘在跨平臺應(yīng)用時泛化能力差的痛點，創(chuàng)新性地提出了MAPLE框架。該方法不再直接預測絕對數(shù)值，而是采用成對學習策略，通過神經(jīng)網(wǎng)絡(luò)分析兩個DNA甲基化樣本之間的相對關(guān)系（如年齡差或疾病風險差異）。這種方法將不同來源的數(shù)據(jù)映射到一個統(tǒng)一的潛在空間，有效規(guī)避了因測序平臺或預處理方法不同而產(chǎn)生的技術(shù)噪音。在包含血液、大腦、肌肉等多種組織類型的31項基準測試中，MAPLE的中位絕對誤差僅為1.6年，顯著優(yōu)于現(xiàn)有的cAge和AltumAge等模型。此外，在針對心血管疾病和2型糖尿病的風險評估中，該模型不僅能精準識別疾病狀態(tài)（平均AUC達0.97），還能靈敏地檢測出疾病前期狀態(tài)（平均AUC達0.85）。生物學分析顯示，模型捕捉到的關(guān)鍵位點與免疫調(diào)節(jié)和器官發(fā)育密切相關(guān)，進一步驗證了其在臨床應(yīng)用中的可靠性。研究發(fā)表在 Nature Computational Science 上。

#AI驅(qū)動科學 #預測模型構(gòu)建 #衰老 #表觀遺傳學 #DNA甲基化

閱讀更多：

Zhang, Yu, et al. “A Robust Computational Framework for Methylation Age and Disease-Risk Prediction Based on Pairwise Learning.” Nature Computational Science, Jan. 2026, pp. 1–16. www.nature.com, https://doi.org/10.1038/s43588-025-00939-x

KnowMe-Bench：面向終身數(shù)字伴侶的個體理解基準測試

為了打造真正懂你的“終身數(shù)字伴侶”，AI不僅需要記住你說過的話，更需要理解你行為背后的動機與原則。來自中國科學院大學（UCAS）、QuantaAlpha、北京大學（PKU）、清華大學（THU）以及德克薩斯大學休斯頓健康科學中心（UTHealth）等多家機構(gòu)的研究人員組成的團隊，包括Tingyu Wu、Zhisheng Chen、Qizhen Lan等人，聯(lián)合推出了名為KnowMe-Bench的全新基準測試。該研究指出了現(xiàn)有評測主要依賴對話記錄的缺陷，并證實了僅靠檢索技術(shù)無法實現(xiàn)深層次的個體理解，為開發(fā)具備長期記憶和深度共情能力的AI伴侶提供了新的評估標準。

現(xiàn)有的AI記憶基準往往將用戶經(jīng)歷壓縮為稀疏的對話記錄，導致丟失了行為背后的內(nèi)心活動和情境細節(jié)。為此，研究團隊構(gòu)建了KnowMe-Bench，這是一個基于470萬token長篇自傳體敘事的高密度數(shù)據(jù)集。該研究采用了一種創(chuàng)新的“認知流重構(gòu)”（Cognitive-stream reconstruction）方法，將文本分解為視覺、聽覺、情境、背景知識和內(nèi)心獨白五個維度，并通過“記憶重整”（Mnestic realignment）技術(shù)，將敘事中的倒敘和閃回內(nèi)容重新映射回正確的時間軸，以恢復事件的因果邏輯。在評估階段，團隊設(shè)計了包含事實提取、主觀狀態(tài)歸因以及決策原則推理的三層級評估體系。實驗結(jié)果顯示，盡管檢索增強生成（RAG）技術(shù)能提升AI在事實回憶上的表現(xiàn)，但在面對需要結(jié)合時間背景解釋行為動機或推斷深層原則的復雜問題時，模型依然頻頻出錯。這表明，要實現(xiàn)真正的“個體理解”，AI需要超越簡單的數(shù)據(jù)庫檢索，建立類似人類的結(jié)構(gòu)化自傳體記憶機制。

#大模型技術(shù) #記憶機制 #人工智能 #基準測試 #數(shù)字伴侶

閱讀更多：

Wu, Tingyu, et al. “KnowMe-Bench: Benchmarking Person Understanding for Lifelong Digital Companions.” arXiv:2601.04745, arXiv, 8 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.04745

MemoBrain：賦予智能體“執(zhí)行記憶”以突破長程推理瓶頸

在涉及復雜推理和工具使用的長程任務(wù)中，大語言模型往往因為“記不住”或“記太雜”而導致任務(wù)失敗。Hongjin Qian、Zhao Cao和Zheng Liu（北京人工智能研究院，中國人民大學）提出了一種名為MemoBrain的新型執(zhí)行記憶模型。該研究旨在通過引入顯式的記憶機制，解決智能體在長程交互中因上下文積累導致的邏輯中斷和認知過載問題，從而提升AI在復雜任務(wù)中的推理能力。

MemoBrain作為一個獨立的“副駕駛”模塊，與推理智能體協(xié)同工作，并不依賴于被動的上下文拼接，而是模擬了人類的“執(zhí)行記憶”（executive memory）功能。該方法包含兩個核心過程：首先是記憶構(gòu)建，它將零散的推理步驟抽象為緊湊的、包含邏輯依賴關(guān)系的“思維”單元，去除了無效的中間產(chǎn)物；其次是主動的記憶管理，MemoBrain在有限的上下文預算內(nèi)，通過“折疊”已完成的子任務(wù)路徑和“清除”低價值信息，始終保留最關(guān)鍵的推理主干。這種機制賦予了智能體對推理過程的認知控制能力。研究團隊在GAIA、WebWalker和BrowseComp-Plus等高難度基準測試中驗證了該模型，結(jié)果顯示，無論是40億還是140億參數(shù)規(guī)模的模型，MemoBrain均能顯著提升其在長程信息搜索和推理任務(wù)中的表現(xiàn)。

#大模型技術(shù) #意圖與決策 #智能體 #長程推理

閱讀更多：

Qian, Hongjin, et al. “MemoBrain: Executive Memory as an Agentic Brain for Reasoning.” arXiv:2601.08079, arXiv, 12 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.08079

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關(guān)于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學研究機構(gòu)之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經(jīng)科學研究院。

研究院還建成了支持腦科學和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。